基于机器学习的资源配置方法、装置、设备及存储介质与流程

本申请涉及通信
技术领域：
，尤其涉及一种基于机器学习的资源配置方法、装置、设备及存储介质。
背景技术：
：在分布式的资源调度系统中，通常采用静态调度，即，用户事先定义好资源配置文件，或者限制每个应用程序的资源使用上限。这种调度方式，不仅浪费大量人力，而且分布式资源调度系统不能根据应用程序的实际运行情况为每个应用程序分配资源，使得资源分配不合理，不能最大限度的利用节点资源，因而造成资源浪费，或者部分资源过载，严重时的数据迁移问题会导致计算和任务的延迟。因此有必要提供一种基于机器学习的资源配置方法，以提高资源的利用率并降低人力成本。技术实现要素：本申请提供了一种基于机器学习的资源配置方法、装置、设备及存储介质，以提高资源的利用率并降低人力成本。第一方面，本申请提供了一种基于机器学习的资源配置方法，用于于分布式系统，所述方法包括：采集每个节点的当前性能信息；从所述当前性能信息提取特征数据；将所述特征数据输入至预设的资源预测模型，以输出资源配置信息；发送所述资源配置信息至每个所述节点，以使得每个所述节点将对应的所述资源配置信息保存至相应的配置文件中进而完成资源配置。第二方面，本申请还提供了一种基于机器学习的资源配置装置，应用于分布式系统，所述装置包括：采集单元，用于采集每个节点的当前性能信息；提取单元，用于从所述当前性能信息提取数据信息，所述数据信息包括特征数据；输入输出单元，用于将所述节点特征数据输入至预设的资源预测模型，以输出资源配置信息；发送单元，用于发送所述资源配置信息至每个所述节点，以使得每个所述节点将对应的所述资源配置信息保存至相应的配置文件中进而完成资源配置。第三方面，本申请还提供了一种计算机设备，应用于分布式系统，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的资源配置方法。第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的资源配置方法。本申请公开了一种机器学习的资源配置方法、装置、设备及存储介质，通过主节点基于资源预测模型，根据当前性能信息，输出主节点和子节点中每一节点的资源配置信息，并将对应的资源配置信息发送至相应节点的配置文件中，进而完成资源配置，提高了该分布式系统的资源利用率。另外，该资源配置方法不需要依赖人工事先写好的配置文件，而是动态将已改变的资源特征信息反映到配置文件中去，在改变资源特征信息时，不需要人工修改配置文件，实现了资源分配的动态性、实时性和可靠性，大大减轻了工程师的工作量，节省了工程师的时间，使得资源分配更加简单，适用人群广，并将工程师从繁琐的配置文件中解放出来，能够更加专注业务的开发。此外，该方法巧妙地利用时间序列对资源配置信息进行预测，实时记录各节点的资源特征信息，资源配置的效率高。附图说明为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请的实施例一提供的基于机器学习建立资源预测模型的步骤示意流程图；图2是图1中提供的建立资源预测模型的子步骤示意流程图；图3是本申请的实施例一提供的基于机器学习的资源配置方法的步骤示意流程图；图4是本申请的实施例提供的基于机器学习的资源配置方法所适用的分布式系统的示意性框图；图5是本申请的实施例二提供的基于机器学习的资源配置方法的步骤示意流程图；图6是本申请的实施例三提供的基于机器学习的资源配置方法的步骤示意流程图；图7是本申请的实施例还提供一种基于机器学习的资源配置装置的示意性框图；图8是图7中资源配置装置的模型训练单元的示意性框图；图9为本申请一实施例提供的一种计算机设备的结构示意性框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。本申请的实施例提供了一种基于机器学习的资源配置方法、装置、计算机设备及存储介质。基于机器学习的资源配置方法可用于分布式系统，以提高资源的利用率并降低人力成本。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。请参阅图1，图1是本申请的实施例提供的基于机器学习建立资源预测模型的步骤示意流程图。该资源预测模型建立方法是利用机器学习，训练资源预测模型。如图1所示，该基于机器学习建立资源预测模型的步骤。该资源预测模型应用于分布式系统，用于根据分布式系统的节点的特征数据输出节点的资源配置信息，以使各节点将对应的资源配置信息保存至相应的配置文件中进而完成资源配置，提高资源的利用率，降低人力成本。其中，该分布式系统包括至少两个节点(节点为计算机设备或计算机设备上的虚拟机)。本实施例的建立资源预测模型的执行主体可以为分布式系统的任意一个节点。如图1所示，该建立资源预测模型的步骤，具体包括以下内容：s101、采集每个节点的历史性能信息，构造样本数据。本实施例中，历史性能信息包括cpu信息、io信息、内存信息、线程数量、连接数量等资源特征信息中的至少一种。当然也可以包括请求资源大小、响应时间，以及周围温度、湿度、空气质量和未来几小时内的天气情况等运行状态信息。具体的，在采集每个节点的历史性能信息时，可以以预设单位时间作为采集的一个周期，采集每个节点的性能信息。其中，对该性能信息的采集可以是连续的，例如，当上个周期的采集结束时，立刻开始下一个周期的采集。当然，也可以是不连续的，例如，将每天的固定时间段作为一个周期进行采集。每个节点的历史性能信息为每个节点在当前周期之前的周期所采集到的性能信息。具体的，根据预先以每个自然日中的每一分钟的时间长度划分出周期作为单位时间，确定上一周期内各节点的性能信息。也就是说，每经过一分钟，则采集各节点在该一分钟内的性能信息。例如，每个自然日拥有24个小时，即，1440分钟，则将一个自然日按照每分钟划分为1440份单位时间，并在每经过一分钟时，采集上一分钟内(即，上一单位时间内)各节点的性能信息。如，当前时刻为13点05分59秒，则当下一秒时间13点06分0秒时，则该主节点可以采集各节点在13点05分0秒至13点06分0秒之内的性能信息。其中，每个节点的历史性能信息为每个节点在当前周期之前的预设数量的周期所对应的性能信息的组合。例如，当前周期为t，预设数量为3，则每个节点的历史性能信息为每个节点在t-1周期的性能信息，t-2周期的性能信息和t-3周期的性能信息之前的预设数量的周期内所采集到的性能信息。例如，以自然日的每一分钟作为采集的一个周期，若当前周期为13点05分0秒至13点06分0秒，预设数量为3，则每个节点的历史性能信息为每个节点在13点02分0秒至13点05分0秒内所采集的性能信息，包括13点02分0秒至13点03分0秒、13点03分0秒至13点04分0秒、13点04分0秒至13点05分0秒三个周期的性能信息。其中，如图2所示，所述获取每个节点的历史性能信息，构造样本数据，具体包括以下子步骤s101a和s101b。s101a、采集每个节点的历史性能信息。具体的，主节点和子节点中的每个节点的历史性能信息以时间戳和数据的形式记录于对应节点的系统日志。主节点可以从各节点的系统日志中采集对应节点的历史性能信息。s101b、对所述历史性能信息进行标记，构造样本数据。其中，对所述历史性能信息进行标记，构造样本数据，具体为：按预设标记规则对历史性能信息进行标记。更为具体的，预设标记规则可以为将所述历史性能信息按照资源特征的类型进行分类标记，例如将关于历史性能信息中的“cpu信息”分在第一类别，将历史性能信息中的“io信息”分在第二类别、将历史性能信息中的“内存信息”分在第三类别。则在预测节点cpu的资源配置信息时，对第一类别进行标记，构造cpu的样本数据。针对预测其他资源的资源配置信息可以参照上述标记方式。当然，预设标记规则也可以根据实际需要设计为其他标记规则。s102、根据所述样本数据进行模型训练，得到资源预测模型。具体的，所述根据所述样本数据进行模型训练，得到资源预测模型，具体为：基于线性回归算法，根据所述样本数据进行模型训练，得到资源预测模型。上述实施例该利用机器模型创建资源预测模型应用于分布式系统，用于根据分布式系统的节点的特征数据输出节点的资源配置信息，以使各节点将对应的资源配置信息保存至相应的配置文件中进而完成资源配置，提高资源的利用率，降低人力成本。请参阅图3，图3是本申请的实施例一提供的基于机器学习的资源配置方法的步骤示意流程图。该资源配置方法应用于分布式系统。该分布式系统包括至少两个节点(节点为计算机设备或计算机设备上的虚拟机)。本实施例的建立资源预测模型的执行主体可以为分布式系统的任意一个节点。其中，分布式系统中的每个节点上可以部署多个应用，每个应用可以占用不同类型的资源，比如：cpu、内存、io等资源。应用为安装在节点上的任何应用，包括但不限于浏览器、电子邮件、即时消息服务、文字处理、键盘虚拟、窗口小部件(widget)、加密、数字版权管理、语音识别、语音复制、音乐播放等等。需要说明的是，各个应用的运行都是基于该应用下各个进程的运行。如图4所示，本实施例中将执行下述资源配置方法的节点称为主节点301，其它节点称为子节点302。比如，如图2所示，该图中包括三个节点，其中一个为主节点301，另外两个为子节点302。需要说明的是，上述图4并不构成分布式系统的形式限定，分布式系统中主节点301数量、子节点302的数量以及主节点301与子节点302之间的联系可以根据实际需求进行设计。如图3所示，该基于机器学习的资源配置方法，其执行主体为主节点，当然也可以为其中一个子节点。该方法具体包括：步骤s201至步骤s204。s201、采集每个节点的当前性能信息。本实施例中，每个节点的当前性能信息为主节点和子节点中每个节点在当前周期内的性能信息。所述当前性能信息包括cpu信息、io信息、内存信息、线程数量、连接数量等资源特征信息中的至少一种。当然也可以包括请求资源大小、响应时间，以及周围温度、湿度、空气质量和未来几小时内的天气情况等运行状态信息。s202、从所述当前性能信息提取特征数据。本实施例中，所述特征数据包括资源特征信息，例如cpu信息和内存信息等。其中，特征数据为当前周期内的特征数据。从所述当前性能信息提取特征数据，具体为：按照预设提取规则，从当前性能信息提取特征数据。更为具体的，预设标记规则可以为将所述当前性能信息按照资源特征的类型进行分类标记，例如将关于当前性能信息中的“cpu信息”分在第一类别，将历史性能信息中的“io信息”分在第二类别、将历史性能信息中的“内存信息”分在第三类别。则在主节点提取主节点和子节点中每一节点的cpu的特征数据时，对第一类别进行提取，得到cpu的特征数据。针对其他资源的特征数据可以参照上述提取方式。当然，预设提取规则也可以根据实际需要设计为其他提取规则。s203、将所述特征数据输入至预设的资源预测模型，以输出资源配置信息。本实施例中，资源配置信息为在下一周期的预测的特征数据。例如，假设当前周期为t，下一周期为t+1。基于该资源预测模型，主节点根据在t周期的特征数据输出主节点和子节点中每一节点在t+1周期的资源配置信息。在一实施例中，为了使输出的资源配置信息更具有参考价值，每一周期的时长都相等，即所述当前周期和所述下一周期相等。在一实施例中，所述将所述特征数据输入至预设的资源预测模型，以输出资源配置信息的触发条件可以至少包括以下两种：在主节点接收到特定信息(例如特征数据)后，触发对资源配置信息的预测；或者，在特定的触发条件(例如新增节点、删除节点、部署应用、删除应用)，触发对资源配置信息的预测；或者，也可以定时触发对资源配置信息进行预测。主节点可以每隔一定周期触发资源配置，也可以当检测到上述典型突发事件时，触发资源配置。s204、发送所述资源配置信息至每个所述节点，以使得每个所述节点将对应的所述资源配置信息保存至相应的配置文件中进而完成资源配置。其中，相应的配置文件可以是节点的配置文件，也可以是应用的配置文件。具体的，主节点在输出资源配置信息后，将所述资源配置信息发送至相应节点。接收到主节点发送的资源配置信息的所述节点，将对应的所述资源配置信息保存至相应的配置文件中，从而完成资源配置。上述实施例中，主节点基于资源预测模型，根据当前性能信息，输出主节点和子节点中每一节点的资源配置信息，并将对应的资源配置信息发送至相应节点的配置文件中，进而完成资源配置，提高该分布式系统的资源利用率。另外，该资源配置方法不需要依赖人工事先写好的配置文件，而是动态将已改变的资源特征信息反映到配置文件中去，在改变资源特征信息时，不需要人工修改配置文件，实现了资源分配的动态性、实时性和可靠性，大大减轻了工程师的工作量，节省了工程师的时间，使得资源分配更加简单，适用人群广，并将工程师从繁琐的配置文件中解放出来，能够更加专注业务的开发。此外，该方法巧妙地利用时间序列对资源配置信息进行预测，实时记录各节点的资源特征信息，资源配置的效率高。请参阅5，图5是本申请的实施例二提供的基于机器学习的资源配置方法的步骤示意流程图。本实施例的执行主体称为主节点，其他节点称为子节点。其中，主节点可以为分布式存储系统中的任意一个节点。如图5所示，该基于机器学习的资源配置方法，具体包括：步骤s401至步骤s404。s401、采集每个节点的当前性能信息。本实施例中，当前性能信息包括当前节点性能信息。当前节点性能信息包括在当前周期的节点的cpu信息、节点的io信息、节点的内存信息等资源特征信息中的至少一种。s402、从所述当前性能信息提取特征数据，所述特征数据包括节点特征数据。本实施例中，所述节点特征数据可以为节点的cpu信息和节点的内存信息等。其中，节点特征数据为在当前周期内主节点或子节点自身的特征数据。s403、将所述节点特征数据输入至预设的节点资源预测模型，以输出节点资源配置信息。在一实施例中，所述将所述节点特征数据输入至所述节点资源预测模型，以输出节点资源配置信息之前，还包括：训练节点资源预测模型。其中，训练节点资源预测模型，具体包括以下步骤：采集每个节点的历史节点性能信息，构造节点样本数据；根据所述节点样本数据进行模型训练，得到节点资源预测模型。具体的，每个节点在每个周期都有多种资源的节点性能信息。根据每个节点的每种资源的历史节点性能信息构造该资源的节点样本数据，根据该节点样本数据可以建立一个节点资源预测模型来预测该资源的节点资源配置信息。每个节点的每种资源的历史节点性能信息可以看成一个时间序列{hp(t),t＝1,2,...,t},节点资源配置信息可以由前k个对应的节点样本数据预测得出。其中，所述节点资源预测模型为：其中，hp(t)为节点资源配置信息，为线性函数，k为嵌入维数，p为节点资源类型。具体的，可以由以上模型，根据每个节点的每种资源的历史节点性能信息的采集周期选择合适的参数k，依据该历史节点性能信息构造h-k个数据集，作为模型训练的输入数据集(即节点样本数据)。具体可以参照表1。表1输入数据输出数据hp(1),hp(2),...,hp(k)hp(k+1)............hp(t-k),...,hp(t-2),hp(t-1)hp(t)............hp(t-k),...,hp(t-2),hp(t-1)hp(t)s404、发送所述节点资源配置信息至每个所述节点，以使得每个所述节点将对应的所述节点资源配置信息保存至相应的配置文件中进而完成资源配置。在本实施例中，相应的配置文件为节点的配置文件。具体的，主节点在输出节点资源配置信息后，将所述节点资源配置信息发送至相应节点。上述实施例中，主节点基于节点资源预测模型，根据当前节点性能信息，输出主节点和子节点中每一节点的节点资源配置信息，并将对应的节点资源配置信息发送至相应节点的配置文件中，进而完成资源配置，提高该分布式系统的资源利用率。另外，该资源配置方法不需要依赖人工事先写好的配置文件，而是动态将已改变的资源特征信息反映到配置文件中去，在改变资源特征信息时，不需要人工修改配置文件，实现了资源分配的动态性、实时性和可靠性，大大减轻了工程师的工作量，节省了工程师的时间，使得资源分配更加简单，适用人群广，并将工程师从繁琐的配置文件中解放出来，能够更加专注业务的开发。此外，该方法巧妙地利用时间序列对资源配置信息进行预测，实时记录各节点的资源特征信息，资源配置的效率高。请参阅6，图6是本申请的实施例三提供的基于机器学习的资源配置方法的步骤示意流程图。本实施例的方法在实施例一的基础上，进一步的细化了一些步骤以使分布式系统的资源配置方案更为完善，例如细化了资源配置信息的输出方式。本实施例的执行主体称为主节点，其他节点称为子节点。其中，主节点可以为分布式存储系统中的任意一个节点。如图6所示，该基于机器学习的资源配置方法，具体包括：步骤s501至步骤s505。s501、采集每个节点的当前性能信息。本实施例中，当前性能信息包括当前节点性能信息和当前应用性能信息。当前节点性能信息包括在当前周期的节点的cpu信息、节点的io信息、节点的内存信息等资源特征信息中的至少一种。当前应用性能信息包括在当前周期的应用的cpu信息、应用的io信息和应用的内存信息等资源特征信息中的至少一种。s502、从所述当前性能信息提取特征数据，所述特征数据包括应用特征数据。本实施例中，所述应用特征数据可以为应用的cpu信息和应用的内存信息等。其中，应用特征数据为在当前周期内主节点或子节点中应用的应用特征数据。s503、将所述应用特征数据输入至预设的应用资源预测模型，以输出应用资源配置信息。在一实施例中，所述将所述将所述应用特征数据输入至所述应用资源预测模型，以输出应用资源配置信息之前，还包括：训练应用资源预测模型。其中，训练应用资源预测模型，具体包括以下步骤：采集每个节点的每个应用的历史应用性能信息，构造应用样本数据；根据所述应用样本数据进行模型训练，得到应用资源预测模型。具体的，每个节点在每个周期都有多种资源的性能信息。每个节点的每个应用在每个周期也都有多种资源的性能信息，根据每种应用的每种资源的历史性能信息构造该资源的应用样本数据，根据该应用样本数据可以建立一个应用资源预测模型来预测该资源的应用资源配置信息。每种应用的每种资源的历史性能信息可以看成一个时间序列{xr(t),t＝1,2,...,t},应用资源配置信息可以由前k个对应应用的应用样本数据预测得出。其中，所述应用资源预测模型为：其中，xr(t)为节点资源配置信息，为线性函数，k为嵌入维数，r为资源类型，比如cpu、内存等。具体的，可以由以上模型，根据每种应用的每种资源的历史性能信息的采集周期选择合适的参数k，依据该历史性能信息构造t-k个数据集，作为模型训练的输入数据集(即应用样本数据)。具体可以参照表2。表2输入数据输出数据xr(1),xr(2),...,xr(k)xr(k+1)............xr(t-k),...,xr(t-2),xr(t-1)xr(t)............xr(t-k),...,xr(t-2),xr(t-1)xr(t)s504、根据每个所述节点对应的应用资源配置信息，计算每个所述节点对应的节点资源配置信息。在本实施例中，所述根据每个所述节点对应的应用资源配置信息，计算每个所述节点对应的资源配置信息，具体包括：基于配置计算公式，根据每个所述节点对应的应用资源配置信息，计算每个所述节点对应的资源配置信息。其中，所述配置计算公式为：其中，cr为资源配置信息；n表示该节点中的应用个数，r为资源类型，t为当前周期。对于主节点与子节点中的某个节点而言，在t+1周期，根据公式(3)将每个应用每种资源的应用资源配置信息求和，可以计算每个节点的每种资源的节点资源配置信息。例如，a节点包括应用a和应用b，则当计算a节点的节点资源配置信息时，则可以将应用a的cpu配置信息和应用b的cpu配置信息相加，即可得到a节点的cpu配置信息。节点的其它资源的节点资源配置信息可以参照上述计算方式进行计算，在此不再赘述。s505、发送所述节点的资源配置信息至相应所述节点，以使得每个所述节点将对应的资源配置信息保存至相应的配置文件中进而完成资源配置。在本实施例中，资源配置信息可以包括节点资源配置信息，也可包括应用资源配置信息，或者为二者的组合。即所述发送所述节点的资源配置信息至相应所述节点，以使得每个所述节点将对应的资源配置信息保存至相应的配置文件中进而完成资源配置，具体可以为以下至少三种方案：第一种方案，发送所述节点的节点资源配置信息至相应所述节点，以使得每个所述节点将对应的节点资源配置信息保存至相应的配置文件中进而完成资源配置。第二种方案，发送所述节点中应用的应用资源配置信息至相应所述节点，以使得每个所述节点将对应的应用资源配置信息保存至相应的配置文件中进而完成资源配置。第三种方案为第一种方案与第二种方案的组合。上述实施例中，主节点将所述应用特征数据输入至预设的应用资源预测模型，以输出应用资源配置信息；根据每个所述节点对应的应用资源配置信息，计算每个所述节点对应的节点资源配置信息；并将对应的节点资源配置信息发送至相应节点的配置文件中，进而完成资源配置，提高该分布式系统的资源利用率。另外，该资源配置方法不需要依赖人工事先写好的配置文件，而是动态将已改变的资源特征信息反映到配置文件中去，在改变资源特征信息时，不需要人工修改配置文件，实现了资源分配的动态性、实时性和可靠性，大大减轻了工程师的工作量，节省了工程师的时间，使得资源分配更加简单，适用人群广，并将工程师从繁琐的配置文件中解放出来，能够更加专注业务的开发。此外，该方法巧妙地利用时间序列对资源配置信息进行预测，实时记录各节点的资源特征信息，资源配置的效率高。需要说明的是，图5和图6提供的资源配置方法，可以单独使用以提高资源配置效率并降低人力成本；当然也可一起使用以提高资源配置效率并降低人力成本。请参阅图7，图7是本申请的实施例还提供一种基于机器学习的资源配置装置的示意性框图，该资源配置装置用于执行前述任一项基于机器学习的资源配置方法。其中，该资源配置装置可以配置于服务器或终端中。其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。如图7所示，资源配置装置600包括：采集单元610、提取单元620、输入输出单元630、发送单元640。采集单元610，用于采集每个节点的当前性能信息。提取单元620，用于从所述当前性能信息提取特征数据。输入输出单元630，用于将所述特征数据输入至预设的资源预测模型，以输出资源配置信息。发送单元640，用于发送所述资源配置信息至每个所述节点，以使得每个所述节点将对应的所述资源配置信息保存至相应的配置文件中进而完成资源配置。在一实施例中，所述资源配置装置还包括模型训练单元650，用于训练资源预测模型。如图8所示，在某些实施方式中，模型训练单元650包括节点模型训练单元651，用于训练节点资源预测模型。其中，节点模型训练单元651包括第一数据构造单元6511和节点模型训练子单元6512。具体的，第一数据构造单元6511，用于采集每个节点的历史节点性能信息，构造节点样本数据；节点模型训练子单元6512，用于根据所述节点样本数据进行模型训练，得到节点资源预测模型。在某些实施方式中，模型训练单元650包括应用模型训练单元652，用于训练应用资源预测模型。输入输出单元630包括应用输出单元631和节点计算单元632。其中，应用输出单元631，用于将所述应用特征数据输入至所述应用资源预测模型，以输出应用资源配置信息；节点计算单元632，用于根据每个所述节点对应的应用资源配置信息，计算每个所述节点对应的节点资源配置信息。其中，应用模型训练单元652包括第二数据构造单元6521和应用模型训练子单元6522。具体的，第二数据构造单元6521，用于采集每个节点的每个应用的历史应用性能信息，构造应用样本数据；应用模型训练子单元6522，用于根据所述应用样本数据进行模型训练，得到应用资源预测模型。在一实施例中，所述资源配置装置还包括触发单元，用于触发将所述特征数据输入至预设的资源预测模型，以输出资源配置信息。需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的基于机器学习的资源配置装置和各单元的具体工作过程，可以参考前述基于机器学习的资源配置方法实施例中的对应过程，在此不再赘述。上述的资源配置装置可以实现为一种计算机程序的形式，该计算机程序可以在如图9所示的计算机设备上运行。请参阅图9，图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备可以是服务器或终端。其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群；终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备等。参阅图9，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行一种基于机器学习的资源配置方法。处理器用于提供计算和控制能力，支撑整个计算机设备的运行。内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行一种资源配置方法。该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。应当理解的是，处理器可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。其中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：采集每个节点的当前性能信息；从所述当前性能信息提取特征数据；将所述特征数据输入至预设的资源预测模型，以输出资源配置信息；发送所述资源配置信息至每个所述节点，以使得每个所述节点将对应的所述资源配置信息保存至相应的配置文件中进而完成资源配置。在一实施例中，所述处理器在实现所述将所述特征数据输入至预设的资源预测模型以输出资源配置信息时，用于实现：将所述节点特征数据输入至所述节点资源预测模型，以输出节点资源配置信息。在一个实施例中，所述资源预测模型包括节点资源预测模型；所述特征数据包括节点特征数据；所述处理器在实现所述将所述特征数据输入至预设的资源预测模型以输出资源配置信息时，用于实现：将所述节点特征数据输入至所述节点资源预测模型，以输出节点资源配置信息。在一个实施例中，所述处理器在实现所述将所述节点特征数据输入至所述节点资源预测模型，以输出节点资源配置信息之前，还用于：采集每个节点的历史节点性能信息，构造节点样本数据；根据所述节点样本数据进行模型训练，得到节点资源预测模型。在一个实施例中，所述资源预测模型包括应用资源预测模型，所述特征数据包括应用特征数据；所述处理器在实现所述将所述特征数据输入至预设的资源预测模型，以输出资源配置信息时，用于：将所述应用特征数据输入至所述应用资源预测模型，以输出应用资源配置信息；根据每个所述节点对应的应用资源配置信息，计算每个所述节点对应的节点资源配置信息。在一个实施例中，所述处理器在实现所述将所述应用特征数据输入至所述应用资源预测模型，以输出应用资源配置信息之前，还用于：采集每个节点的每个应用的历史应用性能信息，构造应用样本数据；根据所述应用样本数据进行模型训练，得到应用资源预测模型。本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项机器学习的资源配置方法。其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。当前第1页12